Dybdegående repository-analyse
På denne side
Lektionen opdateret 3. november 2026 baseret på Codex-manualen: “Deep Research for GitHub” er ikke en Codex-funktion. Repository-analyse udføres med Codex i skrivebeskyttet tilstand, mens deep research er en funktion i ChatGPT Work, hvor tilgængeligheden afhænger af din konto og dit workspace. Sammenligningstabellen over varigheder uden kildehenvisning fra den tidligere version er fjernet. Kilder: Codex CLI · Non-interactive mode.
Dybdegående repository-analyse
Før du ændrer kode, skal du ofte forstå den først: arkitekturen i et legacy-projekt, dets afhængigheder og teknisk gæld. To værktøjer er velegnede til dette. Codex analyserer et repository indefra – det læser filer, undersøger Git-historik og kører diagnostiske kommandoer – uden at foretage ændringer. ChatGPT Works deep research udfører undersøgelser på tværs af flere kilder og leverer en rapport med kildehenvisninger; det er det rigtige værktøj til spørgsmål, der går ud over repositoryet, f.eks. evaluering af et eksternt bibliotek.
Analyser uden at ændre noget
En standard Codex-opgave udfører en handling: at skrive kode, rette en fejl eller generere tests. Til analyse skal du bede Codex om at syntetisere uden at ændre noget og give det midlerne til at overholde denne begrænsning. Sæt sessionen til skrivebeskyttet (/permissions, tilstand read-only), eller kør analysen med codex exec, som som standard kører i en skrivebeskyttet sandbox. Det kan scanne hundredvis af filer, undersøge Git-historik og producere en detaljeret rapport. Denne forskel viser sig straks i din prompt, som bør fokusere på forståelse frem for ændring:
"Analyze the architecture of this project without modifying any files.
How does data flow from the API to the database? What patterns are
used? Where are the fragility points?"
Resultatet er ikke et commit, men et struktureret dokument med henvisninger til relevante filer og anbefalinger. Du gennemgår det, diskuterer det på et teknisk møde og retter det, hvor det er forkert.
Accelerer teknisk onboarding
Når en udvikler joiner et team, bruger de normalt deres første to uger på mentalt at rekonstruere et kort, som ingen nogensinde har skrevet ned: hvilken service kalder hvad, hvorfor en modul har et navn, der ikke længere matcher indholdet, eller hvor betalingslogikken gemmer sig. Codex kan tegne dette kort for dem:
"Analyze this repository and generate an onboarding guide
for a new developer. Cover:
- General architecture and layers
- Naming and structure conventions
- End-to-end flow of a typical request
- The most important files to read first
- Common pitfalls and project-specific quirks"
Det resulterende dokument fungerer som reference i de første par uger og bliver rettet, efterhånden som teamet giver feedback. Denne korrektionsøvelse har en uventet fordel: den afslører blinde vinkler, som ingen har besværet sig med at dokumentere, fordi “alle ved, hvordan det fungerer”.
Revider afhængigheder og teknisk gæld
Det andet naturlige anvendelsestilfælde er inventar. En tre år gammel kodebase akkumulerer forladte biblioteker, funktionelle dubletter og døde imports, som ingen tør slette på grund af manglende overblik:
"Analyze all project dependencies (package.json
and lock file). Identify:
- Obsolete packages (last update > 1 year ago)
- Known vulnerabilities
- Duplicate packages (same functionality)
- Unused packages (imported nowhere)
- Packages with incompatible licenses"
Denne analyse krydsreferencer package.json, låsefilen og de imports, der faktisk findes i koden. For kendte sårbarheder og pakkers vedligeholdelsesstatus kræves offentlige data, så du skal eksplicit tillade netværksadgang eller bruge din pakkehåndterings revisionsværktøjer (som npm audit). Evaluering af teknisk gæld følger samme logik, med ét ekstra krav – den sidste linje i prompten. Uden sorteringskriterier får du en liste over fyrre problemer uden idé om, hvor du skal starte.
"Evaluate the technical debt of this project. Analyze:
- Cyclomatic complexity of core modules
- Most frequently modified files (Git hotspots)
- Code duplication patterns
- Unresolved TODOs and FIXMEs
- Test coverage by module
Rank problems by impact and effort to fix."
Værdien af disse analyser ligger i forholdet mellem investeret tid og opnåede resultater: få præcise instrukser erstatter dages læsning. Mål dette på dine egne projekter frem for at stole på generiske estimater, og gennemgå altid rapporten: agenten kan tage fejl, især regarding hvad repositoryet ikke indeholder.
Evaluér et eksternt projekt før adoption
For et open source-bibliotek, du overvejer at adoptere, går spørgsmålet ud over repositoryet: udgivelseshyppighed, aktivitet i issues og omdømme. Dette er domænet for ChatGPT Works deep research. I skrivebordsappen skal du skifte til Work, åbne Plugins og vælge Deep research; på web skal du åbne +-menuen i en Work-samtale. Tilgængeligheden afhænger af din konto og dit workspace:
"Analyze the repository github.com/org/library.
Evaluate its maturity:
- Release frequency and maintenance
- Documentation quality
- Community activity (issues, PRs)
- Test coverage
- Recommendation: Is it safe to adopt in production?"
Dette er det verifikationstrin, vi næsten altid springer over, fordi vi ikke kan undvære en halv dag på det, alligevel koster dets fravær os to år senere: biblioteket vedligeholdes ikke længere, dets eneste vedligeholder er forsvundet, og du står tilbage med en afhængighed, du skal omskrive i en fart.
Få handlingsorienterede rapporter
Rapportkvaliteten afhænger direkte af promptens præcision. “Hvor er skrøbelighedspunkterne?” giver et langt mere brugbart resultat end “Analyser projektet”, fordi den første formulering pålægger en vinkel og tvinger en hierarki frem. Anmod også om et eksplicit format – “rangér efter prioritet”, “organisér efter modul” – for at få et dokument, du kan scanne frem for at læse fra ende til anden. Følg derefter op med konkrete Codex-opgaver, der løser de identificerede problemer. På det tidspunkt holder analysen op med at være endnu en rapport og bliver startpunktet for en arbejdsplan. Del endelig disse rapporter med dit team, da deres værdi vokser med antallet af mennesker, der henviser til dem dagligt.
Vigtige pointer
- For at analysere et repository skal du køre Codex i skrivebeskyttet tilstand (
/permissionsellercodex exec, som er skrivebeskyttet som standard) - Ideel til onboarding, revidering og evaluering af teknisk gæld
- ChatGPT Works deep research egner sig til spørgsmål på tværs af flere kilder, f.eks. evaluering af et eksternt bibliotek
- Resultaterne fodrer konkrete Codex-opgaver for at løse identificerede problemer
- Gennemgå hver rapport: en agent kan tage fejl, især omkring manglende indhold